[논문 리뷰] Model Counting of Query Expressions: Limitations of Propositional Methods

Paul Beame, Jerry Li외 2명|arXiv (Cornell University)|2013. 12. 15.

Bayesian Modeling and Causal Inference참고 문헌 19인용 수 6

한 줄 요약

이 논문은 확률적 데이터베이스 쿼리 평가에서 업로드 추론과 명제적 모델 수세기 사이의 첫 번째 공식적 분리를 확립한다. 이는 일부 쿼리가 확장형 쿼리 평가를 통해 다항 시간에 평가될 수 있음에도 불구하고, 선형성의 선형성에 기반한 최신 명제적 모델 카운터가 선형성의 선형성에 기반한 결정-디엔엔피(Decision-DNNF) 표현의 지름이 기하급수적으로 증가함에 따라 기하급수적 시간이 소요된다는 것을 증명한다.

ABSTRACT

Query evaluation in tuple-independent probabilistic databases is the problem of computing the probability of an answer to a query given independent probabilities of the individual tuples in a database instance. There are two main approaches to this problem: (1) in `grounded inference' one first obtains the lineage for the query and database instance as a Boolean formula, then performs weighted model counting on the lineage (i.e., computes the probability of the lineage given probabilities of its independent Boolean variables); (2) in methods known as `lifted inference' or `extensional query evaluation', one exploits the high-level structure of the query as a first-order formula. Although it is widely believed that lifted inference is strictly more powerful than grounded inference on the lineage alone, no formal separation has previously been shown for query evaluation. In this paper we show such a formal separation for the first time. We exhibit a class of queries for which model counting can be done in polynomial time using extensional query evaluation, whereas the algorithms used in state-of-the-art exact model counters on their lineages provably require exponential time. Our lower bounds on the running times of these exact model counters follow from new exponential size lower bounds on the kinds of d-DNNF representations of the lineages that these model counters (either explicitly or implicitly) produce. Though some of these queries have been studied before, no non-trivial lower bounds on the sizes of these representations for these queries were previously known.

연구 동기 및 목표

• 확률적 데이터베이스의 쿼리 평가에서 업로드 추론(확장형 쿼리 평가)이 기반 추론(명제적 모델 수세기)보다 엄격히 강력함을 공식적으로 입증하는 것.
• 확장형 쿼리 평가를 통해 다항 시간에 처리 가능한, 그러나 명제적 방법에서는 비처리 가능한 쿼리의 클래스를 특정하는 것.
• 이러한 쿼리의 선형성에 기반한 결정-디엔엔피 표현의 크기에 대해 기하급수적 하한을 설정하는 것.
• 결정-디엔엔피의 일반화인 DLDD(DLDD: Decision-Logical Decision Diagrams)를 도입하여 효율적인 모델 수세기를 유지하면서도 더 컴팩트한 표현을 허용하는 것.
• 기존의 이분법(예: #P-어려움 대 다항 시간)을 결정-디엔엔피 기반 알고리즘으로 확장하는 것에 도전하며, 기존의 #P-어려움 분류와는 별개로 새로운 이분법 프레임워크가 필요함을 시사하는 것.

제안 방법

• 포괄적인 일阶 논리 쿼리의 클래스를 구성하여 포함-배제 원리를 사용한 쿼리 표현에서 다항 시간 평가가 가능한 고수준의 구조를 확보한다.
• 이 쿼리를 불리언 선형성으로 변환하고, 명제적 모델 카운터가 요구하는 결정-디엔엔피 표현의 크기를 분석한다.
• 쿼리의 구조적 분석과 변수 간 의존성 분석을 통해 이러한 선형성의 결정-디엔엔피 표현 크기에 대해 기하급수적 하한을 증명한다.
• 결정-디엔엔피를 일반화하면서도 효율적인 모델 수세기를 유지하는 데이터 구조인 DLDD(Decision-Logical Decision Diagrams)를 도입한다.
• 쿼리 트리에서 DLDD를 구성하는 과정이 원래 쿼리 선형성과 동일한 불리언 함수를 정확하게 계산함을 보여주며, 결정-디엔엔피 표현에서 관찰된 기하급수적 팽창을 피한다.
• 쿼리 트리에서 FBDDs (Free Binary Decision Diagrams)로의 변환을 통해 XOR 및 EQUIV 연산을 시뮬레이션하여 결과 DAG의 정확성과 사이클 없음을 증명한다.

실험 결과

연구 질문

• RQ1 확률적 쿼리 평가에서 업로드 추론과 명제적 모델 수세기 사이에 공식적 분리를 설정할 수 있는가?
• RQ2 확장형 쿼리 평가가 다항 시간에 작동하지만, 명제적 모델 수세기가 기하급수적 시간이 소요되는 쿼리는 존재하는가?
• RQ3 선형성 표현 크기 측면에서 명제적 모델 수세기 알고리즘의 본질적 한계는 무엇인가?
• RQ4 쿼리가 처리 가능하더라도, 선형성의 결정-디엔엔피 표현이 원래 쿼리 구조보다 기하급수적으로 클 수 있는가?
• RQ5 결정-디엔엔피 기반 모델 수세기 알고리즘을 위한 기존의 #P-어려움 분류와는 별개로, 새로운 이분법 이론이 필요한가?

주요 결과

• 논문은 특정 쿼리 클래스에 대해 포함-배제 원리를 통한 확장형 쿼리 평가를 통해 다항 시간에 모델 수세기를 수행할 수 있음을 증명한다.
• 최신 명제적 모델 카운터는 이러한 쿼리에 대해 결정-디엔엔피 표현의 크기가 기하급수적으로 증가함에 따라 기하급수적 시간이 소요된다.
• 이러한 쿼리의 선형성에 기반한 결정-디엔엔피 표현 크기에 대해 기하급수적 하한이 설정되었으며, 이는 쿼리 자체가 처리 가능함에도 불구하고 성립한다.
• 쿼리 트리에서 DLDD를 구성하는 과정은 원래 쿼리 선형성과 동일한 불리언 함수를 정확하게 계산하는 준다항 시간 크기의 DAG를 생성한다.
• 쿼리 트리에서 FBDD로의 변환 과정은 사이클 없이 유지되며 변수 순서 제약 조건을 유지하여 정확성을 보장하고 사이클을 방지한다.
• 결과적으로, 업로드 추론에서 처리 가능한 이 쿼리 클래스에 대해 결정-디엔엔피 기반 모델 수세기 알고리즘은 효율적으로 처리할 수 없다.